ABOUT THE SPEAKERS
Sebastian Thrun - Educator, entrepreneur
Sebastian Thrun is a passionate technologist who is constantly looking for new opportunities to make the world better for all of us.

Why you should listen

Sebastian Thrun is an educator, entrepreneur and troublemaker. After a long life as a professor at Stanford University, Thrun resigned from tenure to join Google. At Google, he founded Google X, home to self-driving cars and many other moonshot technologies. Thrun also founded Udacity, an online university with worldwide reach, and Kitty Hawk, a "flying car" company. He has authored 11 books, 400 papers, holds 3 doctorates and has won numerous awards.

More profile about the speaker
Sebastian Thrun | Speaker | TED.com
Chris Anderson - TED Curator
After a long career in journalism and publishing, Chris Anderson became the curator of the TED Conference in 2002 and has developed it as a platform for identifying and disseminating ideas worth spreading.

Why you should listen

Chris Anderson is the Curator of TED, a nonprofit devoted to sharing valuable ideas, primarily through the medium of 'TED Talks' -- short talks that are offered free online to a global audience.

Chris was born in a remote village in Pakistan in 1957. He spent his early years in India, Pakistan and Afghanistan, where his parents worked as medical missionaries, and he attended an American school in the Himalayas for his early education. After boarding school in Bath, England, he went on to Oxford University, graduating in 1978 with a degree in philosophy, politics and economics.

Chris then trained as a journalist, working in newspapers and radio, including two years producing a world news service in the Seychelles Islands.

Back in the UK in 1984, Chris was captivated by the personal computer revolution and became an editor at one of the UK's early computer magazines. A year later he founded Future Publishing with a $25,000 bank loan. The new company initially focused on specialist computer publications but eventually expanded into other areas such as cycling, music, video games, technology and design, doubling in size every year for seven years. In 1994, Chris moved to the United States where he built Imagine Media, publisher of Business 2.0 magazine and creator of the popular video game users website IGN. Chris eventually merged Imagine and Future, taking the combined entity public in London in 1999, under the Future name. At its peak, it published 150 magazines and websites and employed 2,000 people.

This success allowed Chris to create a private nonprofit organization, the Sapling Foundation, with the hope of finding new ways to tackle tough global issues through media, technology, entrepreneurship and, most of all, ideas. In 2001, the foundation acquired the TED Conference, then an annual meeting of luminaries in the fields of Technology, Entertainment and Design held in Monterey, California, and Chris left Future to work full time on TED.

He expanded the conference's remit to cover all topics, including science, business and key global issues, while adding a Fellows program, which now has some 300 alumni, and the TED Prize, which grants its recipients "one wish to change the world." The TED stage has become a place for thinkers and doers from all fields to share their ideas and their work, capturing imaginations, sparking conversation and encouraging discovery along the way.

In 2006, TED experimented with posting some of its talks on the Internet. Their viral success encouraged Chris to begin positioning the organization as a global media initiative devoted to 'ideas worth spreading,' part of a new era of information dissemination using the power of online video. In June 2015, the organization posted its 2,000th talk online. The talks are free to view, and they have been translated into more than 100 languages with the help of volunteers from around the world. Viewership has grown to approximately one billion views per year.

Continuing a strategy of 'radical openness,' in 2009 Chris introduced the TEDx initiative, allowing free licenses to local organizers who wished to organize their own TED-like events. More than 8,000 such events have been held, generating an archive of 60,000 TEDx talks. And three years later, the TED-Ed program was launched, offering free educational videos and tools to students and teachers.

More profile about the speaker
Chris Anderson | Speaker | TED.com
TED2017

Sebastian Thrun and Chris Anderson: What AI is -- and isn't

Sebastian Thrun et Chris Anderson: La nouvelle génération d'ordinateurs se programme seule

Filmed:
1,575,780 views

L'éducateur et entrepreneur Sebastian Thrun veut que nous utilisions l'IA pour libérer l'humanité du travail répétitif et libérer notre créativité. Dans une conversation inspirante et instructive avec l'hôte TED Chris Anderson, Thrun discute des progrès de l'apprentissage profond, pourquoi nous ne devons pas craindre les évolutions de l'Intelligence Artificielle, et comment la société sera mieux lotie si un travail ennuyeux et fastidieux est fait avec des machines. «Seulement 1% des choses intéressantes ont déjà été inventées», dit Thrun. «Je crois que nous sommes tous incroyablement créatifs ... [l'AI] nous permettra de transformer notre créativité en action.»
- Educator, entrepreneur
Sebastian Thrun is a passionate technologist who is constantly looking for new opportunities to make the world better for all of us. Full bio - TED Curator
After a long career in journalism and publishing, Chris Anderson became the curator of the TED Conference in 2002 and has developed it as a platform for identifying and disseminating ideas worth spreading. Full bio

Double-click the English transcript below to play the video.

Chris Anderson : Expliquez-nous
ce qu'est le « machine learning »
00:12
ChrisChris AndersonAnderson: Help us understandcomprendre
what machinemachine learningapprentissage is,
0
904
2886
00:15
because that seemssemble to be the keyclé driverchauffeur
1
3814
2054
car cela semble être le facteur clé
00:17
of so much of the excitementexcitation
and alsoaussi of the concernpréoccupation
2
5892
2737
de toute cette excitation et
de toutes ces craintes
autour de l'intelligence artificielle.
00:20
around artificialartificiel intelligenceintelligence.
3
8653
1494
00:22
How does machinemachine learningapprentissage work?
4
10171
1643
Comment cela fonctionne-t-il ?
00:23
SebastianSebastian ThrunThrun: So, artificialartificiel
intelligenceintelligence and machinemachine learningapprentissage
5
11838
3896
Sebastian Thrun : L'intelligence
artificielle et le « machine learning »
00:27
is about 60 yearsannées oldvieux
6
15758
2002
remontent à environ 60 ans
00:29
and has not had a great day
in its pastpassé untiljusqu'à recentlyrécemment.
7
17784
4269
et n'ont pas eu leur heure
de gloire jusqu'à récemment.
00:34
And the reasonraison is that todayaujourd'hui,
8
22077
2924
La raison est qu'aujourd'hui,
00:37
we have reachedatteint a scaleéchelle
of computingl'informatique and datasetsensembles de données
9
25025
3973
nous avons atteint l'échelle de puissance
de calcul et de volume de données
qui était nécessaire pour
rendre les machines intelligentes.
00:41
that was necessarynécessaire to make machinesmachines smartintelligent.
10
29022
2637
00:43
So here'svoici how it workstravaux.
11
31683
1751
Voici comment cela fonctionne.
00:45
If you programprogramme a computerordinateur todayaujourd'hui,
say, your phonetéléphone,
12
33458
3497
Si vous voulez programmer un ordinateur,
disons, votre téléphone,
00:48
then you hirelouer softwareLogiciel engineersingénieurs
13
36979
2335
vous devez embaucher
des ingénieurs logiciels
00:51
that writeécrire a very,
very long kitchencuisine reciperecette,
14
39338
3854
qui écrivent une très, très
longue recette de cuisine
00:55
like, "If the watereau is too hotchaud,
turntour down the temperaturetempérature.
15
43216
3132
comme : « Si l'eau est trop chaude,
baisse la température.
Si l'eau est trop froide,
augmente la température. »
00:58
If it's too colddu froid, turntour up
the temperaturetempérature."
16
46372
2279
01:00
The recipesrecettes are not just 10 lineslignes long.
17
48675
2849
Les recettes n'ont pas juste 10 lignes.
01:03
They are millionsdes millions of lineslignes long.
18
51548
2603
Elles ont des millions de lignes.
01:06
A modernmoderne cellcellule phonetéléphone
has 12 millionmillion lineslignes of codecode.
19
54175
4084
Un téléphone mobile récent a
12 millions de lignes de code.
01:10
A browserNavigateur has fivecinq millionmillion lineslignes of codecode.
20
58283
2646
Un navigateur internet 5 millions
de lignes de code.
01:12
And eachchaque bugpunaise in this reciperecette
can causecause your computerordinateur to crashcrash.
21
60953
4969
Chaque erreur dans la recette peut
provoquer une panne de votre ordinateur.
01:17
That's why a softwareLogiciel engineeringénieur
makesfait du so much moneyargent.
22
65946
3075
C'est pourquoi un ingénieur logiciel
gagne autant d'argent.
01:21
The newNouveau thing now is that computersdes ordinateurs
can find theirleur ownposséder rulesrègles.
23
69953
3660
La nouveauté est que les ordinateurs
peuvent trouver leurs propres règles.
01:25
So insteadau lieu of an expertexpert
decipheringdéchiffrage, stepétape by stepétape,
24
73637
3606
Au lieu d'avoir un expert
qui écrit, pas à pas,
01:29
a ruleRègle for everychaque contingencycontingence,
25
77267
2148
une règle pour chaque cas de figure,
01:31
what you do now is you give
the computerordinateur examplesexemples
26
79439
3074
vous donnez maintenant
à l'ordinateur des exemples
pour qu'il déduise lui-même ses règles.
01:34
and have it inferinférer its ownposséder rulesrègles.
27
82537
1581
01:36
A really good exampleExemple is AlphaGoAlphaGo,
whichlequel recentlyrécemment was wona gagné by GoogleGoogle.
28
84142
4306
Un bon exemple est AlphaGo,
qui a récemment été acheté par Google.
01:40
NormallyNormalement, in gameJeu playingen jouant,
you would really writeécrire down all the rulesrègles,
29
88472
3687
Normalement, dans les jeux,
vous voulez écrire toutes les règles,
01:44
but in AlphaGo'sDe AlphaGo caseCas,
30
92183
1785
mais dans le cas d'AlphaGo,
le système a regardé plus
d'un million de parties
01:45
the systemsystème lookedregardé over a millionmillion gamesJeux
31
93992
2066
01:48
and was ablecapable to inferinférer its ownposséder rulesrègles
32
96082
2192
et a été en mesure de
déduire ses propres règles
01:50
and then beatbattre the world'smonde
residingrésidant Go championchampion.
33
98298
2738
et de battre le tenant du titre
mondial du jeu de go.
C'est excitant, car cela évite d'avoir
à faire appel à des ingénieurs logiciels
01:53
That is excitingpassionnant, because it relievessoulage les
the softwareLogiciel engineeringénieur
34
101853
3509
01:57
of the need of beingétant supersuper smartintelligent,
35
105386
1819
extrêmement intelligents,
01:59
and pushespousse the burdencharge towardsvers the dataLes données.
36
107229
2325
et repousse la contrainte
vers les données.
02:01
As I said, the inflectioninflexion pointpoint
where this has becomedevenir really possiblepossible --
37
109578
4534
Comme je le disais, le point d'inflexion
où cela est vraiment devenu possible --
très embarrassant, ma thèse
était sur le « machine learning ».
02:06
very embarrassingembarrassant, my thesisthèse
was about machinemachine learningapprentissage.
38
114136
2746
C'était complètement insignifiant,
ne la lisez pas,
02:08
It was completelycomplètement
insignificantinsignifiant, don't readlis it,
39
116906
2205
02:11
because it was 20 yearsannées agodepuis
40
119135
1350
car elle a 20 ans
et alors, les ordinateurs étaient
aussi gros que le cerveau d'un cafard.
02:12
and back then, the computersdes ordinateurs
were as biggros as a cockroachcafard braincerveau.
41
120509
2907
02:15
Now they are powerfulpuissant enoughassez
to really emulateémuler
42
123440
2331
Ils sont maintenant assez puissants
pour imiter
02:17
kindgentil of specializedspécialisé humanHumain thinkingen pensant.
43
125795
2076
une sorte de pensée humaine spécialisée.
02:19
And then the computersdes ordinateurs
take advantageavantage of the factfait
44
127895
2313
Les ordinateurs usent du fait
qu'ils peuvent regarder beaucoup
plus de données que les gens.
02:22
that they can look at
much more dataLes données than people can.
45
130232
2500
02:24
So I'd say AlphaGoAlphaGo lookedregardé at
more than a millionmillion gamesJeux.
46
132756
3080
J'ai dit qu'AlphaGo a regardé
plus d'un million de parties.
02:27
No humanHumain expertexpert can ever
studyétude a millionmillion gamesJeux.
47
135860
2839
Aucun expert humain ne peut
étudier un million de parties.
02:30
GoogleGoogle has lookedregardé at over
a hundredcent billionmilliard webweb pagespages.
48
138723
3182
Google a parcouru plus d'une centaine
de milliards de pages web.
02:33
No personla personne can ever studyétude
a hundredcent billionmilliard webweb pagespages.
49
141929
2650
Personne ne peut étudier une
centaine de milliards de pages.
02:36
So as a resultrésultat,
the computerordinateur can find rulesrègles
50
144603
2714
En conséquence, un ordinateur
peut trouver des règles
02:39
that even people can't find.
51
147341
1755
que les humains ne peuvent pas trouver.
02:41
CACA: So insteadau lieu of looking aheaddevant
to, "If he does that, I will do that,"
52
149120
4312
CA: Donc au lieu de suivre des règles
comme « S'il fait cela, je fais ceci »,
02:45
it's more sayingen disant, "Here is what
looksregards like a winninggagnant patternmodèle,
53
153456
3072
c'est plus comme :
« Voici à quoi ressemble
02:48
here is what looksregards like
a winninggagnant patternmodèle."
54
156552
2079
un modèle de partie gagnante. »
ST : Oui. Pensez comment
on élève les enfants.
02:50
STST: Yeah. I mean, think about
how you raiseélever childrenles enfants.
55
158655
2517
Vous ne passez pas 18 ans à donner
aux enfants une règle pour chaque cas
02:53
You don't spenddépenser the first 18 yearsannées
givingdonnant kidsdes gamins a ruleRègle for everychaque contingencycontingence
56
161196
3644
pour ensuite les libérer
avec ce grand programme.
02:56
and setensemble them freegratuit
and they have this biggros programprogramme.
57
164864
2347
Ils trébuchent, tombent, se lèvent,
ils sont giflés ou fessés,
02:59
They stumbleStumble, falltomber, get up,
they get slappedgiflé or spankedune fessée,
58
167235
2719
ils ont une expérience positive,
une bonne note à l'école,
03:01
and they have a positivepositif experienceexpérience,
a good gradequalité in schoolécole,
59
169978
2884
03:04
and they figurefigure it out on theirleur ownposséder.
60
172886
1834
et ils comprennent par eux-mêmes.
03:06
That's happeningévénement with computersdes ordinateurs now,
61
174744
1737
C'est pareil avec les ordinateurs,
03:08
whichlequel makesfait du computerordinateur programmingla programmation
so much easierPlus facile all of a suddensoudain.
62
176505
3029
ce qui rend leur programmation
beaucoup plus facile tout à coup.
Plus besoin de penser à tout, il
suffit d'avoir beaucoup de données.
03:11
Now we don't have to think anymoreplus.
We just give them lots of dataLes données.
63
179558
3175
CA : Donc, cela a été la clé
de l'amélioration spectaculaire
03:14
CACA: And so, this has been keyclé
to the spectacularspectaculaire improvementamélioration
64
182757
3422
03:18
in powerPuissance of self-drivingSelf-driving carsdes voitures.
65
186203
3064
dans les voitures autonomes.
Je pense que vous m'avez donné un exemple.
03:21
I think you gavea donné me an exampleExemple.
66
189291
1739
03:23
Can you explainExplique what's happeningévénement here?
67
191054
2685
Pouvez-vous expliquer
comment cela fonctionne ?
03:25
STST: This is a driveconduire of a self-drivingSelf-driving carvoiture
68
193763
3564
ST : C'est le trajet d'un
véhicule autonome
03:29
that we happenedarrivé to have at UdacityUdacity
69
197351
1957
que nous avons conçu à Udacity
récemment transformée en
un spin-off appelé Voyage.
03:31
and recentlyrécemment madefabriqué
into a spin-offspin-off calledappelé VoyageVoyage.
70
199332
2398
Nous avons utilisé ce qu'on appelle
l'apprentissage profond
03:33
We have used this thing
calledappelé deepProfond learningapprentissage
71
201754
2574
pour lui apprendre à se conduire seule.
03:36
to traintrain a carvoiture to driveconduire itselfse,
72
204352
1623
03:37
and this is drivingau volant
from MountainMontagne ViewVue, CaliforniaCalifornie,
73
205999
2387
Elle l'a fait, depuis
Mountain View, en Californie,
03:40
to SanSan FranciscoFrancisco
74
208410
1168
jusqu'à San Francisco
03:41
on ElEl CaminoCamino RealReal on a rainydes pluies day,
75
209602
2259
sur El Camino Real par temps de pluie,
03:43
with bicyclistscyclistes and pedestrianspiétons
and 133 trafficcirculation lightslumières.
76
211885
3524
avec des cyclistes, des piétons
et 133 feux de circulation.
03:47
And the novelroman thing here is,
77
215433
2636
La nouveauté, c'est que,
dans le passé, j'ai lancé l'équipe
véhicule autonome de Google
03:50
manybeaucoup, manybeaucoup moonsdes lunes agodepuis, I startedcommencé
the GoogleGoogle self-drivingSelf-driving carvoiture teaméquipe.
78
218093
3120
et pour cela, j'ai engagé les
meilleurs ingénieurs logiciels mondiaux
03:53
And back in the day, I hiredembauché
the world'smonde bestmeilleur softwareLogiciel engineersingénieurs
79
221237
3181
pour trouver les meilleures règles.
03:56
to find the world'smonde bestmeilleur rulesrègles.
80
224442
1607
03:58
This is just trainedqualifié.
81
226073
1754
Là, nous l'avons juste entraînée.
03:59
We driveconduire this roadroute 20 timesfois,
82
227851
3336
Nous avons pris cette route 20 fois,
on a mis les données
dans le cerveau de l'ordinateur,
04:03
we put all this dataLes données
into the computerordinateur braincerveau,
83
231211
2447
04:05
and after a fewpeu hoursheures of processingEn traitement,
84
233682
2082
et après quelques heures de calculs,
04:07
it comesvient up with behaviorcomportement
that oftensouvent surpassessurpasse humanHumain agilityagilité.
85
235788
3926
il est arrivé avec un comportement
qui surpasse l'agilité humaine.
04:11
So it's becomedevenir really easyfacile to programprogramme it.
86
239738
2017
C'est beaucoup plus facile à programmer.
04:13
This is 100 percentpour cent autonomousautonome,
about 33 milesmiles, an hourheure and a halfmoitié.
87
241779
3803
C'est 100% autonome, près de 53 km,
une heure et demie.
04:17
CACA: So, explainExplique it -- on the biggros partpartie
of this programprogramme on the left,
88
245606
3630
CA : Bon, expliquez ceci -- sur la grande
partie de ce programme à gauche,
04:21
you're seeingvoyant basicallyen gros what
the computerordinateur seesvoit as truckscamions and carsdes voitures
89
249260
3257
nous voyons ce que voit l'ordinateur
comme les camions, les autos
04:24
and those dotspoints overtakingles dépassements it and so forthavant.
90
252541
2886
et tous ces points qui les rattrapent
et ainsi de suite.
04:27
STST: On the right sidecôté, you see the cameracaméra
imageimage, whichlequel is the mainprincipale inputcontribution here,
91
255451
3762
ST : A droite, on voit l'image de la
caméra, qui est la source principale ici,
04:31
and it's used to find lanesvoies,
other carsdes voitures, trafficcirculation lightslumières.
92
259237
2676
pour voir les lignes, les véhicules,
les feux.
04:33
The vehiclevéhicule has a radarradar
to do distancedistance estimationestimation.
93
261937
2489
Le véhicule a un radar pour
estimer les distances.
04:36
This is very commonlycommunément used
in these kindgentil of systemssystèmes.
94
264450
2621
Ils sont souvent utilisés
dans ce genre de systèmes.
04:39
On the left sidecôté you see a laserlaser diagramdiagramme,
95
267095
1992
Sur la gauche, on voit un diagramme laser,
04:41
where you see obstaclesobstacles like treesdes arbres
and so on depictedreprésenté by the laserlaser.
96
269111
3200
où l'on voit des obstacles tels
les arbres représentés par le laser.
Mais l'effort principal porte
sur l'image de la caméra.
04:44
But almostpresque all the interestingintéressant work
is centeringcentrage on the cameracaméra imageimage now.
97
272335
3436
Nous passons de capteurs de précision
comme les radars et les lasers
04:47
We're really shiftingdéplacement over from precisionprécision
sensorscapteurs like radarsradars de and laserslasers
98
275795
3476
vers des capteurs banalisés
à très bas coût.
04:51
into very cheappas cher, commoditizedbanalisées sensorscapteurs.
99
279295
1842
Une caméra coûte moins de 8 dollars.
04:53
A cameracaméra costsfrais lessMoins than eighthuit dollarsdollars.
100
281161
1987
04:55
CACA: And that greenvert dotpoint
on the left thing, what is that?
101
283172
2793
CA : Et ce point vert à gauche,
qu'est-ce que c'est ?
04:57
Is that anything meaningfulsignificatif?
102
285989
1371
C'est important ?
ST : C'est un point de vue anticipé
pour le régulateur de vitesse,
04:59
STST: This is a look-aheadà venir pointpoint
for your adaptiveadaptatif cruisecroisière controlcontrôle,
103
287384
3668
qui nous aide à comprendre
comment réguler la vitesse
05:03
so it helpsaide us understandcomprendre
how to regulateréglementer les velocityrapidité
104
291076
2477
05:05
basedbasé on how farloin
the carsdes voitures in frontde face of you are.
105
293577
2634
en fonction de la distance
de la voiture devant vous.
05:08
CACA: And so, you've alsoaussi
got an exampleExemple, I think,
106
296235
2716
CA : Donc, vous avez aussi
un exemple, je pense,
05:10
of how the actualréel
learningapprentissage partpartie takes placeendroit.
107
298975
2381
de la façon dont la partie
d'apprentissage a lieu.
05:13
Maybe we can see that. Talk about this.
108
301380
2458
On peut peut-être parler de cela ?
ST : C'est un exemple de challenge
proposé aux étudiants d'Udacity
05:15
STST: This is an exampleExemple where we posedposé
a challengedéfi to UdacityUdacity studentsélèves
109
303862
3643
qui suivent notre « Nano Diplôme »
de véhicule autonome.
05:19
to take what we call
a self-drivingSelf-driving carvoiture NanodegreeNanodegree.
110
307529
3131
05:22
We gavea donné them this datasetDataSet
111
310684
1495
On leur donne ce jeu de données
05:24
and said "Hey, can you guys figurefigure out
how to steerSteer this carvoiture?"
112
312203
3054
en leur demandant « Trouvez
comment conduire cette auto ».
05:27
And if you look at the imagesimages,
113
315281
1624
Si vous regardez les images,
05:28
it's, even for humanshumains, quiteassez impossibleimpossible
to get the steeringpilotage right.
114
316929
4073
c'est, même pour les humains,
quasi-impossible de conduire correctement.
05:33
And we rancouru a competitioncompétition and said,
"It's a deepProfond learningapprentissage competitioncompétition,
115
321026
3591
On a organisé une compétition
d'apprentissage profond,
une compétition d'IA,
05:36
AIAI competitioncompétition,"
116
324641
1173
05:37
and we gavea donné the studentsélèves 48 hoursheures.
117
325838
1887
et on a donné 48 heures aux étudiants.
05:39
So if you are a softwareLogiciel housemaison
like GoogleGoogle or FacebookFacebook,
118
327749
4172
Pour une entreprise de logiciels
telle que Google et Facebook,
05:43
something like this costsfrais you
at leastmoins sixsix monthsmois of work.
119
331945
2717
un tel projet peut prendre
au moins six mois de travail.
05:46
So we figuredfiguré 48 hoursheures is great.
120
334686
2202
On s'est dit 48 heures serait super.
05:48
And withindans 48 hoursheures, we got about
100 submissionssoumissions from studentsélèves,
121
336912
3467
En 48 heures, nous avons reçu
100 soumissions d'étudiants,
05:52
and the topHaut fourquatre got it perfectlyà la perfection right.
122
340403
3370
et les quatre premiers ont
parfaitement réussi.
Elle conduit mieux que je pourrais
le faire sur ces images,
05:55
It drivesdisques better than I could
driveconduire on this imageryimagerie,
123
343797
2640
avec l'apprentissage profond.
05:58
usingen utilisant deepProfond learningapprentissage.
124
346461
1189
05:59
And again, it's the sameMême methodologyméthodologie.
125
347674
1799
C'est encore la même méthodologie.
06:01
It's this magicalmagique thing.
126
349497
1164
C'est une chose magique.
06:02
When you give enoughassez dataLes données
to a computerordinateur now,
127
350685
2085
Si un ordinateur a suffisamment
de données
06:04
and give enoughassez time
to comprehendcomprendre the dataLes données,
128
352794
2140
et suffisamment de temps
pour comprendre,
il trouve ses propres règles.
06:06
it findstrouve its ownposséder rulesrègles.
129
354958
1445
06:09
CACA: And so that has led to the developmentdéveloppement
of powerfulpuissant applicationsapplications
130
357339
4845
CA : Cela a mené au développement
d'applications puissantes
06:14
in all sortssortes of areaszones.
131
362208
1525
dans toutes sortes de domaines.
06:15
You were talkingparlant to me
the other day about cancercancer.
132
363757
2668
Vous me parliez l'autre jour du cancer.
Puis-je montrer cette vidéo ?
06:18
Can I showmontrer this videovidéo?
133
366449
1189
06:19
STST: Yeah, absolutelyabsolument, please.
CACA: This is coolcool.
134
367662
2354
ST : Oui, bien sûr, allez-y.
CA : Merci.
06:22
STST: This is kindgentil of an insightperspicacité
into what's happeningévénement
135
370040
3534
ST : C'est une sorte d'aperçu
de ce qui se passe
06:25
in a completelycomplètement differentdifférent domaindomaine.
136
373598
2429
dans un domaine complètement différent.
06:28
This is augmentingaugmenter, or competingen compétition --
137
376051
3752
Ceci augmente, ou concurrence
06:31
it's in the eyeœil of the beholderspectateur --
138
379827
1749
-- selon le point de vue --
06:33
with people who are beingétant paidpayé
400,000 dollarsdollars a yearan,
139
381600
3454
des personnes qui sont payées
400 000 $ par an,
06:37
dermatologistsdermatologues,
140
385078
1237
les dermatologues,
06:38
highlytrès trainedqualifié specialistsspécialistes.
141
386339
1983
des spécialistes entraînés.
06:40
It takes more than a decadedécennie of trainingentraînement
to be a good dermatologistdermatologue.
142
388346
3561
Cela prend plus de 10 ans pour devenir
un bon dermatologue.
06:43
What you see here is
the machinemachine learningapprentissage versionversion of it.
143
391931
3196
Ce que vous voyez ici en est la version
« machine learning ».
06:47
It's calledappelé a neuralneural networkréseau.
144
395151
1841
Cela s'appelle un réseau neuronal.
06:49
"NeuralNeural networksréseaux" is the technicaltechnique termterme
for these machinemachine learningapprentissage algorithmsalgorithmes.
145
397016
3742
« Réseau neuronal » est le terme technique
pour ces algorithmes d'apprentissage.
06:52
They'veIls ont been around sincedepuis the 1980s.
146
400782
1789
Ils sont là depuis les années 80.
06:54
This one was inventeda inventé in 1988
by a FacebookFacebook FellowBoursier calledappelé YannYann LeCunLeCun,
147
402595
4640
Celui-ci a été inventé en 1988 par un
camarade de Facebook appelé Yann LeCun,
06:59
and it propagatesse propage dataLes données stagesétapes
148
407259
3558
et il propage les données par étape
07:02
throughpar what you could think of
as the humanHumain braincerveau.
149
410841
2578
à travers ce qui s'apparente
à un cerveau humain.
07:05
It's not quiteassez the sameMême thing,
but it emulatesémule the sameMême thing.
150
413443
2966
Ce n'est pas la même chose,
mais il simule la même chose.
07:08
It goesva stageétape after stageétape.
151
416433
1302
Il procède étape par étape.
07:09
In the very first stageétape, it takes
the visualvisuel inputcontribution and extractsextraits edgesbords
152
417759
3637
Dans la première étape, il prend
le visuel et extrait les contours
07:13
and rodsdes tiges and dotspoints.
153
421420
2612
et les barres et points.
07:16
And the nextprochain one becomesdevient
more complicatedcompliqué edgesbords
154
424056
3037
Les contours de l'image deviennent
plus complexes,
07:19
and shapesformes like little half-moonsdemi-lunes.
155
427117
3191
avec des formes comme des demi-lunes.
07:22
And eventuallyfinalement, it's ablecapable to buildconstruire
really complicatedcompliqué conceptsconcepts.
156
430332
4443
Finalement, il est capable de
construire des concepts très compliqués.
07:26
AndrewAndrew NgNg has been ablecapable to showmontrer
157
434799
2048
Andrew Ng a été en mesure de montrer
07:28
that it's ablecapable to find
catchat facesvisages and dogchien facesvisages
158
436871
3480
que l'on peut trouver
des têtes de chat et de chien
07:32
in vastvaste amountsles montants of imagesimages.
159
440375
1661
parmi de nombreuses images.
07:34
What my studentétudiant teaméquipe
at StanfordStanford has shownmontré is that
160
442060
2724
Ce que mes étudiants de
Stanford ont montré, est que
07:36
if you traintrain it on 129,000 imagesimages
of skinpeau conditionsconditions,
161
444808
6073
si on l'entraîne sur 129 000 images
de maladie de la peau,
07:42
includingcomprenant melanomamélanome malin and carcinomascarcinomes,
162
450905
2565
incluant les mélanomes et les carcinomes,
07:45
you can do as good a jobemploi
163
453494
3301
on peut faire un aussi bon travail
07:48
as the bestmeilleur humanHumain dermatologistsdermatologues.
164
456819
2197
que le meilleur dermatologue humain.
07:51
And to convinceconvaincre ourselvesnous-mêmes
that this is the caseCas,
165
459040
2549
Pour se convaincre que c'est le cas,
07:53
we capturedcapturé an independentindépendant datasetDataSet
that we presentedprésenté to our networkréseau
166
461613
3990
on a pris un jeu de données indépendant
que l'on a présenté à notre réseau
07:57
and to 25 board-certifiedcertifié
Stanford-levelStanford-niveau dermatologistsdermatologues,
167
465627
4342
et à 25 dermatologues certifiés
du niveau de Stanford
08:01
and comparedpar rapport those.
168
469993
1672
et on les a comparés.
08:03
And in mostles plus casescas,
169
471689
1504
Dans la plupart des cas,
08:05
they were eithernon plus on parnominale or aboveau dessus
the performanceperformance classificationclassement accuracyprécision
170
473217
3875
il était au niveau ou au-dessus des
performances de classifications
08:09
of humanHumain dermatologistsdermatologues.
171
477116
1467
des dermatologues humains.
08:10
CACA: You were tellingrécit me an anecdoteanecdote.
172
478607
1746
CA : Vous me racontiez une anecdote
08:12
I think about this imageimage right here.
173
480377
1957
je pense que c'est cette image.
08:14
What happenedarrivé here?
174
482358
1484
Que s'est-il passé ?
08:15
STST: This was last ThursdayJeudi.
That's a movingen mouvement piecepièce.
175
483866
4008
ST : C'était jeudi dernier.
C'est émouvant.
08:19
What we'venous avons shownmontré before and we publishedpublié
in "NatureNature" earlierplus tôt this yearan
176
487898
3600
Nous avons montré et publié dans
« Nature » cette année, la comparaison
08:23
was this ideaidée that we showmontrer
dermatologistsdermatologues imagesimages
177
491522
2484
du taux de réussite
entre des dermatologues
et notre programme,
08:26
and our computerordinateur programprogramme imagesimages,
178
494030
1539
08:27
and countcompter how oftensouvent they're right.
179
495593
1627
pour identifier des mélanomes.
08:29
But all these imagesimages are pastpassé imagesimages.
180
497244
1778
Mais ces images viennent du passé.
08:31
They'veIls ont all been biopsiedbiopsié to make sure
we had the correctcorrect classificationclassement.
181
499046
3460
Toutes ont été biopsiées pour
assurer une classification correcte.
Celle-ci ne l'était pas.
08:34
This one wasn'tn'était pas.
182
502530
1172
Celle-ci a été faite par l'un de
nos collaborateurs à Stanford.
08:35
This one was actuallyréellement doneterminé at StanfordStanford
by one of our collaboratorscollaborateurs.
183
503726
3179
08:38
The storyrécit goesva that our collaboratorcollaborateur,
184
506929
2314
Ce qui s'est passé,
c'est que ce collaborateur,
08:41
who is a world-famousmondialement connu dermatologistdermatologue,
one of the threeTrois bestmeilleur, apparentlyApparemment,
185
509267
3391
qui est un dermatologue célèbre,
l'un des trois meilleurs, apparemment,
regardait ce grain de beauté et disait :
« Ce n'est pas un cancer. »
08:44
lookedregardé at this molemole and said,
"This is not skinpeau cancercancer."
186
512682
2935
08:47
And then he had
a secondseconde momentmoment, where he said,
187
515641
2476
Puis, il a réfléchi, et il s'est dit :
08:50
"Well, let me just checkvérifier with the appapplication."
188
518141
1866
« Autant vérifier avec l'application. »
08:52
So he tooka pris out his iPhoneiPhone
and rancouru our piecepièce of softwareLogiciel,
189
520031
2699
Il a pris son iPhone
et a lancé notre logiciel,
08:54
our "pocketpoche dermatologistdermatologue," so to speakparler,
190
522754
2121
notre « dermatologue de poche »,
08:56
and the iPhoneiPhone said: cancercancer.
191
524899
2994
et l'iPhone a dit : « C'est un cancer. »
08:59
It said melanomamélanome malin.
192
527917
1306
Il a reconnu un mélanome.
Le dermatologue était perplexe :
09:01
And then he was confusedconfus.
193
529849
1233
09:03
And he decideddécidé, "OK, maybe I trustconfiance
the iPhoneiPhone a little bitbit more than myselfmoi même,"
194
531106
4551
« Peut-être que j'ai un peu plus
confiance dans l'iPhone qu'en moi-même »,
09:07
and he sentenvoyé it out to the lablaboratoire
to get it biopsiedbiopsié.
195
535681
2735
et il envoya le tout au labo
pour une biopsie.
09:10
And it camevenu up as an aggressiveagressif melanomamélanome malin.
196
538440
2469
Il s'est avéré que c'était
un mélanome agressif.
Je pense que c'était la première fois
que l'on a effectivement trouvé,
09:13
So I think this mightpourrait be the first time
that we actuallyréellement founda trouvé,
197
541545
3067
09:16
in the practiceentraine toi of usingen utilisant deepProfond learningapprentissage,
198
544636
2487
en utilisant des techniques
d'apprentissage profond,
09:19
an actualréel personla personne whosedont melanomamélanome malin
would have gonedisparu unclassifiednon classifié,
199
547147
3372
une personne ayant un mélanome
qui aurait été non diagnostiqué,
09:22
had it not been for deepProfond learningapprentissage.
200
550543
2115
s'il n'y avait pas eu
l'apprentissage profond.
09:24
CACA: I mean, that's incredibleincroyable.
201
552682
1560
CA : C'est incroyable !
09:26
(ApplauseApplaudissements)
202
554266
1769
(Applaudissements)
09:28
It feelsse sent like there'dle rouge be an instantinstant demanddemande
for an appapplication like this right now,
203
556059
3600
Mais s'il y avait une demande instantanée
pour une telle application,
09:31
that you mightpourrait freakFreak out a lot of people.
204
559683
1966
cela pourrait effrayer beaucoup de gens.
09:33
Are you thinkingen pensant of doing this,
makingfabrication an appapplication that allowspermet self-checkingauto-contrôle?
205
561673
3527
Pensez-vous rendre
cet auto-diagnostic disponible ?
ST: Ma messagerie est inondée
de questions à ce sujet,
09:37
STST: So my in-boxdans la boîte is floodedinondées
about cancercancer appsapplications,
206
565224
4973
09:42
with heartbreakingcrève-coeur storieshistoires of people.
207
570221
2303
avec des histoires déchirantes
de personnes,
09:44
I mean, some people have had
10, 15, 20 melanomasmélanomes removedsupprimé,
208
572548
3204
dont certaines avaient eu
10, 15 ou 20 mélanomes enlevés,
09:47
and are scaredeffrayé that one
mightpourrait be overlookednégligé, like this one,
209
575776
3952
et étaient effrayés qu'un d'entre eux,
comme celui-ci, passe inaperçu,
09:51
and alsoaussi, about, I don't know,
210
579752
1741
et aussi, des demandes concernant
des autos volantes,
ou de participation à des conférences.
09:53
flyingen volant carsdes voitures and speakerorateur inquiriesdemandes de renseignements
these daysjournées, I guessdeviner.
211
581517
2732
09:56
My take is, we need more testingessai.
212
584273
2738
Selon moi, nous avons besoin
de plus de tests.
09:59
I want to be very carefulprudent.
213
587449
1778
Je veux être très prudent.
10:01
It's very easyfacile to give a flashyflashy resultrésultat
and impressimpressionner a TEDTED audiencepublic.
214
589251
3666
C'est facile de publier des résultats
tape-à-l’œil pour impressionner TED.
10:04
It's much harderPlus fort to put
something out that's ethicaléthique.
215
592941
2627
C'est plus dur de construire
quelque chose d'éthique.
Si les gens utilisent l'application
10:07
And if people were to use the appapplication
216
595592
2394
et choisissent de ne pas recourir à
l'assistance d'un médecin
10:10
and choosechoisir not to consultconsulter
the assistanceassistance of a doctordocteur
217
598010
2797
10:12
because we get it wrongfaux,
218
600831
1583
et que nous nous trompons,
je me sentirais vraiment mal.
10:14
I would feel really badmal about it.
219
602438
1653
Nous conduisons des tests cliniques
10:16
So we're currentlyactuellement doing clinicalclinique teststests,
220
604115
1925
et si ces tests se poursuivent,
et que les données se tiennent,
10:18
and if these clinicalclinique teststests commencecommencer
and our dataLes données holdstient up,
221
606064
2798
on pourrait un jour utiliser
ce type de technologie
10:20
we mightpourrait be ablecapable at some pointpoint
to take this kindgentil of technologyLa technologie
222
608886
2990
et sortir de la clinique de Stanford,
10:23
and take it out of the StanfordStanford clinicclinique
223
611900
1892
pour l'apporter au reste du monde,
10:25
and bringapporter it to the entiretout worldmonde,
224
613816
1658
dans des endroits où les docteurs de
Stanford ne sont jamais allés.
10:27
placesdes endroits where StanfordStanford
doctorsmédecins never, ever setensemble footpied.
225
615498
2456
10:30
CACA: And do I hearentendre this right,
226
618617
2580
CA : Est-ce que j'entends bien,
10:33
that it seemedsemblait like what you were sayingen disant,
227
621221
1966
il semble que vous disiez,
parce que vous travaillez avec
cette armée d'étudiants d'Udacity,
10:35
because you are workingtravail
with this armyarmée of UdacityUdacity studentsélèves,
228
623211
4254
que vous appliquez une forme différente
de « machine learning »
10:39
that in a way, you're applyingappliquer
a differentdifférent formforme of machinemachine learningapprentissage
229
627489
3221
que celle utilisée dans une entreprise,
10:42
than mightpourrait take placeendroit in a companycompagnie,
230
630734
1735
10:44
whichlequel is you're combiningcombinant machinemachine learningapprentissage
with a formforme of crowdfoule wisdomsagesse.
231
632493
3484
une combinaison d'apprentissage
automatique et de sagesse de foule.
10:48
Are you sayingen disant that sometimesparfois you think
that could actuallyréellement outperformsurperformer
232
636001
3384
Pensez-vous que parfois
vous pouvez surpasser
ce qu'une entreprise peut réaliser,
même une très grande ?
10:51
what a companycompagnie can do,
even a vastvaste companycompagnie?
233
639409
2050
ST : Je crois qu'il y a des cas
qui m'époustouflent,
10:53
STST: I believe there's now
instancesinstances that blowcoup my mindesprit,
234
641483
2940
10:56
and I'm still tryingen essayant to understandcomprendre.
235
644447
1758
et j'essaie toujours de comprendre.
10:58
What ChrisChris is referringréférant to
is these competitionscompétitions that we runcourir.
236
646229
3937
Ce à quoi Chris fait allusion, sont
les compétitions que nous organisons.
11:02
We turntour them around in 48 hoursheures,
237
650190
2268
En environ 48 heures, nous avons réussi
11:04
and we'venous avons been ablecapable to buildconstruire
a self-drivingSelf-driving carvoiture
238
652482
2252
à construire un véhicule autonome
capable d'aller de Moutain View à
San Francisco sur la route.
11:06
that can driveconduire from MountainMontagne ViewVue
to SanSan FranciscoFrancisco on surfacesurface streetsdes rues.
239
654758
3387
Ce n'est pas équivalent à Google,
après 7 ans de développement,
11:10
It's not quiteassez on parnominale with GoogleGoogle
after sevenSept yearsannées of GoogleGoogle work,
240
658169
3584
11:13
but it's gettingobtenir there.
241
661777
2528
mais cela s'en approche.
11:16
And it tooka pris us only two engineersingénieurs
and threeTrois monthsmois to do this.
242
664329
3084
Cela nous a pris deux ingénieurs
et trois mois pour faire cela.
11:19
And the reasonraison is, we have
an armyarmée of studentsélèves
243
667437
2856
La raison est que nous avons
une armée d'étudiants
11:22
who participateparticiper in competitionscompétitions.
244
670317
1850
qui participent à ces compétitions.
D'autres utilisent aussi
le « crowdsourcing ».
11:24
We're not the only onesceux
who use crowdsourcingcrowdsourcing.
245
672191
2220
Uber et Didi l'utilisent pour la conduite,
11:26
UberUber and DidiDidi use crowdsourcecrowdsource for drivingau volant.
246
674435
2223
11:28
AirbnbAirbnb usesles usages crowdsourcingcrowdsourcing for hotelshôtels.
247
676682
2759
Airbnb l'utilise pour les hôtels.
Beaucoup d'entreprises font rechercher
des bugs en « crowdsourcing »
11:31
There's now manybeaucoup examplesexemples
where people do bug-findingbug-conclusion crowdsourcingcrowdsourcing
248
679465
4007
ou pour le pliage de protéines, ou
pour toutes sortes de projets.
11:35
or proteinprotéine foldingpliant, of all things,
in crowdsourcingcrowdsourcing.
249
683496
2804
11:38
But we'venous avons been ablecapable to buildconstruire
this carvoiture in threeTrois monthsmois,
250
686324
2915
On a été capable de construire
cette voiture en trois mois,
11:41
so I am actuallyréellement rethinkingrepenser
251
689263
3655
donc je réfléchis en ce moment
11:44
how we organizeorganiser corporationssociétés.
252
692942
2238
à organiser les entreprises.
11:47
We have a staffPersonnel of 9,000 people
who are never hiredembauché,
253
695204
4696
On a un effectif de 9 000 personnes
qui ne sont jamais embauchées,
11:51
that I never fireFeu.
254
699924
1308
qui ne sont jamais virées.
11:53
They showmontrer up to work
and I don't even know.
255
701256
2362
Elles se vont travailler,
je ne le sais même pas.
11:55
Then they submitsoumettre to me
maybe 9,000 answersréponses.
256
703642
3058
Puis elles me soumettent
peut-être 9 000 réponses.
11:58
I'm not obligedl’obligation to use any of those.
257
706724
2176
Je ne suis pas obligé d'en utiliser une.
12:00
I endfin up -- I payPayer only the winnersgagnants,
258
708924
1991
A la fin, je paye seulement les gagnants,
-- ce n'est pas très généreux, et
peut-être pas la meilleure chose à faire.
12:02
so I'm actuallyréellement very cheapskateradin here,
whichlequel is maybe not the bestmeilleur thing to do.
259
710939
3718
12:06
But they considerconsidérer it partpartie
of theirleur educationéducation, too, whichlequel is niceagréable.
260
714681
3185
Mais elles considèrent cela comme
une part de leur formation.
Mais ces étudiants ont été capables
de produire des résultats extraordinaires
12:09
But these studentsélèves have been ablecapable
to produceproduire amazingincroyable deepProfond learningapprentissage resultsrésultats.
261
717890
4201
Donc oui, combiner capacités humaines
et apprentissage machine est incroyable.
12:14
So yeah, the synthesisla synthèse of great people
and great machinemachine learningapprentissage is amazingincroyable.
262
722115
3861
CA : Gary Kasparov a dit
lors du premier jour [de TED2017]
12:18
CACA: I mean, GaryGary KasparovKasparov said on
the first day [of TEDTED2017]
263
726000
2814
que les vainqueurs aux échecs se sont
avérés être deux joueurs amateurs
12:20
that the winnersgagnants of chesséchecs, surprisinglyétonnamment,
turnedtourné out to be two amateuramateur chesséchecs playersjoueurs
264
728848
5412
avec trois programmes informatiques
médiocres ou médiocres-à-bons
12:26
with threeTrois mediocre-ishmediocre-ish,
mediocre-to-goodmédiocre de bien, computerordinateur programsprogrammes,
265
734284
5371
qui pouvaient surpasser un grand maître
12:31
that could outperformsurperformer one grandgrandiose mastermaîtriser
with one great chesséchecs playerjoueur,
266
739679
3163
comme si cela faisait partie du processus.
12:34
like it was all partpartie of the processprocessus.
267
742866
1743
12:36
And it almostpresque seemssemble like
you're talkingparlant about a much richerplus riche versionversion
268
744633
3335
C'est comme si vous parliez
d'une version bien plus riche
de la même idée.
12:39
of that sameMême ideaidée.
269
747992
1200
ST : Oui, quand nous écoutions
le fantastique panel hier matin,
12:41
STST: Yeah, I mean, as you followedsuivi
the fantasticfantastique panelspanneaux yesterdayhier morningMatin,
270
749216
3857
ces deux sessions sur l'IA,
12:45
two sessionssessions about AIAI,
271
753097
1994
12:47
roboticrobotique overlordssuzerains and the humanHumain responseréponse,
272
755115
2167
la domination robotique
et la réponse humaine,
12:49
manybeaucoup, manybeaucoup great things were said.
273
757306
1982
de très grandes choses ont été dites.
12:51
But one of the concernspréoccupations is
that we sometimesparfois confuseconfondre
274
759312
2687
Le problème est que l'on confond parfois
12:54
what's actuallyréellement been doneterminé with AIAI
with this kindgentil of overlordOverlord threatmenace,
275
762023
4062
ce qui peut réellement être fait par l'IA
avec cette sorte de menace de domination,
12:58
where your AIAI developsdéveloppe
consciousnessconscience, right?
276
766109
3424
où votre IA développerait une conscience.
13:01
The last thing I want
is for my AIAI to have consciousnessconscience.
277
769557
2971
La dernière chose que je veux
est une IA consciente.
13:04
I don't want to come into my kitchencuisine
278
772552
1716
Je ne veux pas aller dans ma cuisine
13:06
and have the refrigeratorréfrigérateur falltomber in love
with the dishwasherlave vaisselle
279
774292
4193
et trouver mon réfrigérateur,
amoureux du lave-vaisselle,
13:10
and tell me, because I wasn'tn'était pas niceagréable enoughassez,
280
778509
2124
qui me dise que comme
je ne suis pas gentil,
13:12
my foodaliments is now warmchaud.
281
780657
1837
ma nourriture n'est plus au frais.
13:14
I wouldn'tne serait pas buyacheter these productsdes produits,
and I don't want them.
282
782518
2891
Je n'achèterais pas ces produits
et je n'en veux pas.
13:17
But the truthvérité is, for me,
283
785825
1802
Mais à dire vrai, pour moi,
13:19
AIAI has always been
an augmentationaugmentation of people.
284
787651
2720
le rôle de l'IA a toujours été
d'augmenter les capacités.
13:22
It's been an augmentationaugmentation of us,
285
790893
1676
C'est une amélioration pour nous,
13:24
to make us strongerplus forte.
286
792593
1457
pour nous rendre plus forts.
Je pense que la remarque
de Kasparov était très juste.
13:26
And I think KasparovKasparov was exactlyexactement correctcorrect.
287
794074
2831
13:28
It's been the combinationcombinaison
of humanHumain smartsSmarts and machinemachine smartsSmarts
288
796929
3849
C'est la combinaison d'humains et
de machines intelligents
13:32
that make us strongerplus forte.
289
800802
1464
qui nous rend plus forts.
13:34
The themethème of machinesmachines makingfabrication us strongerplus forte
is as oldvieux as machinesmachines are.
290
802290
4587
Cette idée de machines nous rendant plus
forts est aussi vieille que les machines.
13:39
The agriculturalagricole revolutionrévolution tooka pris
placeendroit because it madefabriqué steamvapeur enginesles moteurs
291
807567
3758
La révolution agricole a eu lieu
avec des machines à vapeur,
des équipements agricoles
ne sachant pas cultiver seuls,
13:43
and farmingagriculture equipmentéquipement
that couldn'tne pouvait pas farmferme by itselfse,
292
811349
2666
ils ne nous ont pas remplacés
mais rendus plus forts.
13:46
that never replacedremplacé us;
it madefabriqué us strongerplus forte.
293
814039
2122
13:48
And I believe this newNouveau wavevague of AIAI
will make us much, much strongerplus forte
294
816185
3738
Je pense que cette nouvelle génération
d'IA nous rendra beaucoup plus forts
13:51
as a humanHumain racecourse.
295
819947
1183
en tant que race humaine.
13:53
CACA: We'llNous allons come on to that a bitbit more,
296
821765
1813
CA : Nous reviendrons là-dessus,
13:55
but just to continuecontinuer with the scaryeffrayant partpartie
of this for some people,
297
823602
3671
mais juste pour rester sur la partie
qui effraie certains,
13:59
like, what feelsse sent like it getsobtient
scaryeffrayant for people is when you have
298
827297
3558
cela peut être effrayant pour certains
lorsqu'un ordinateur peut
réécrire son propre code
14:02
a computerordinateur that can, one,
rewriterécrire its ownposséder codecode,
299
830879
4618
14:07
so, it can createcréer
multipleplusieurs copiescopies of itselfse,
300
835521
3584
et qu'il peut créer de multiples
copies de lui-même,
14:11
try a bunchbouquet of differentdifférent codecode versionsversions,
301
839129
1897
essayer différentes versions de son code,
14:13
possiblypeut-être even at randomau hasard,
302
841050
1775
peut-être même au hasard,
14:14
and then checkvérifier them out and see
if a goalobjectif is achievedatteint and improvedamélioré.
303
842849
3632
et vérifier plus tard
si le but est atteint et amélioré.
14:18
So, say the goalobjectif is to do better
on an intelligenceintelligence testtester.
304
846505
3641
Donc, disons que le but est de faire mieux
sur un test d'intelligence.
14:22
You know, a computerordinateur
that's moderatelymodérément good at that,
305
850170
3894
Pour un ordinateur modérément bon,
14:26
you could try a millionmillion versionsversions of that.
306
854088
2509
vous pourriez essayer un million
de versions de cela.
14:28
You mightpourrait find one that was better,
307
856621
2090
Vous pourriez en trouver une meilleure,
14:30
and then, you know, repeatrépéter.
308
858735
2004
et alors, vous savez, vous répétez.
Vous pourriez obtenir une sorte
d'effet d'emballement
14:32
And so the concernpréoccupation is that you get
some sortTrier of runawayfuyez effecteffet
309
860763
3040
14:35
where everything is fine
on ThursdayJeudi eveningsoir,
310
863827
3008
où tout est correct le jeudi soir,
14:38
and you come back into the lablaboratoire
on FridayVendredi morningMatin,
311
866859
2336
et vous revenez dans le labo
le vendredi matin,
14:41
and because of the speedla vitesse
of computersdes ordinateurs and so forthavant,
312
869219
2449
et en raison de la vitesse
des ordinateurs,
14:43
things have gonedisparu crazyfou, and suddenlysoudainement --
313
871692
1903
les choses sont soudain devenues folles.
14:45
STST: I would say this is a possibilitypossibilité,
314
873619
2020
ST : Je dirais que c'est une possibilité,
14:47
but it's a very remoteéloigné possibilitypossibilité.
315
875663
1916
mais une possibilité peu probable.
14:49
So let me just translateTraduire
what I heardentendu you say.
316
877603
3337
Laissez-moi traduire ce que
vous venez de dire.
14:52
In the AlphaGoAlphaGo caseCas,
we had exactlyexactement this thing:
317
880964
2704
Dans le cas d'AlphaGo,
nous avons exactement cela :
14:55
the computerordinateur would playjouer
the gameJeu againstcontre itselfse
318
883692
2315
l'ordinateur jouait le jeu contre lui-même
et apprenait de nouvelles règles.
14:58
and then learnapprendre newNouveau rulesrègles.
319
886031
1250
14:59
And what machinemachine learningapprentissage is
is a rewritingréécriture of the rulesrègles.
320
887305
3235
Et l'apprentissage automatique est
une réécriture des règles.
15:02
It's the rewritingréécriture of codecode.
321
890564
1769
C'est la réécriture du code.
15:04
But I think there was
absolutelyabsolument no concernpréoccupation
322
892357
2845
Mais je pense qu'il n'y a
absolument aucun risque
15:07
that AlphaGoAlphaGo would take over the worldmonde.
323
895226
2426
qu'AlphaGo domine le monde.
Il ne sait même pas jouer aux échecs.
15:09
It can't even playjouer chesséchecs.
324
897676
1464
15:11
CACA: No, no, no, but now,
these are all very single-domaindomaine unique things.
325
899164
5147
CA : Non, bien sûr, aujourd'hui
ce sont des systèmes mono-domaines.
15:16
But it's possiblepossible to imagineimaginer.
326
904335
2879
Mais il est possible d'imaginer...
15:19
I mean, we just saw a computerordinateur
that seemedsemblait nearlypresque capablecapable
327
907238
3089
Nous venons de voir un ordinateur
qui semble presque capable
15:22
of passingqui passe a universityUniversité entranceentrée testtester,
328
910351
2655
de passer un test d'entrée universitaire.
15:25
that can kindgentil of -- it can't readlis
and understandcomprendre in the sensesens that we can,
329
913030
3688
Ce genre de -- il ne peut lire et
comprendre comme on le fait,
15:28
but it can certainlycertainement absorbabsorber all the texttexte
330
916742
1987
mais il peut absorber tout le texte
15:30
and maybe see increasedaugmenté
patternsmodèles of meaningsens.
331
918753
2899
et peut-être révéler des modèles
qui ont du sens.
15:33
Isn't there a chancechance that,
as this broadensélargit out,
332
921676
3694
N'y a-t-il pas une chance qu'avec
l'évolution de la technologie,
il puisse y avoir un nouvel
effet d'emballement ?
15:37
there could be a differentdifférent
kindgentil of runawayfuyez effecteffet?
333
925394
2466
ST : C'est là que je trace
la frontière, honnêtement.
15:39
STST: That's where
I drawdessiner the lineligne, honestlyfranchement.
334
927884
2078
15:41
And the chancechance existsexiste --
I don't want to downplayminimiser it --
335
929986
2643
C'est possible,
je ne veux pas le minimiser,
mais cela reste très faible,
et pas d'actualité pour le moment
15:44
but I think it's remoteéloigné, and it's not
the thing that's on my mindesprit these daysjournées,
336
932653
3672
parce que je pense que
la grande révolution est ailleurs.
15:48
because I think the biggros revolutionrévolution
is something elseautre.
337
936349
2512
Tous les succès de l'Intelligence
Artificielle à ce jour
15:50
Everything successfulréussi in AIAI
to the presentprésent daterendez-vous amoureux
338
938885
2922
15:53
has been extremelyextrêmement specializedspécialisé,
339
941831
2214
ont été extrêmement spécialisés,
15:56
and it's been thrivingen plein essor on a singleunique ideaidée,
340
944069
2489
et cela repose sur une seule idée,
15:58
whichlequel is massivemassif amountsles montants of dataLes données.
341
946582
2739
qui est cet incroyable volume de données.
16:01
The reasonraison AlphaGoAlphaGo workstravaux so well
is because of massivemassif numbersNombres of Go playspièces,
342
949345
4147
AlphaGo fonctionne si bien du fait de
l'immense nombre de parties de go jouées
16:05
and AlphaGoAlphaGo can't driveconduire a carvoiture
or flymouche a planeavion.
343
953516
3255
et AlphaGo ne peut ni conduire une voiture
ni piloter un avion.
16:08
The GoogleGoogle self-drivingSelf-driving carvoiture
or the UdacityUdacity self-drivingSelf-driving carvoiture
344
956795
3031
La voiture autonome Google
ou celle d'Udacity
repose sur un volume immense de données,
et elle ne peut rien faire d'autre.
16:11
thrivesse développe on massivemassif amountsles montants of dataLes données,
and it can't do anything elseautre.
345
959850
3240
Il ne peut pas conduire une moto.
16:15
It can't even controlcontrôle a motorcyclemoto.
346
963114
1727
C'est une fonction très spécifique
à un domaine donné,
16:16
It's a very specificspécifique,
domain-specificspécifiques à un domaine functionfonction,
347
964865
2762
16:19
and the sameMême is truevrai for our cancercancer appapplication.
348
967651
1907
c'est pareil pour le cancer.
16:21
There has been almostpresque no progressle progrès
on this thing calledappelé "generalgénéral AIAI,"
349
969582
3236
Il n'y a eu aucun progrès sur ce concept
appelé « IA générale »,
16:24
where you go to an AIAI and say,
"Hey, inventinventer for me specialspécial relativityrelativité
350
972842
4000
où vous allez voir l'IA et dites :
« Invente une théorie sur la relativité
16:28
or stringchaîne theorythéorie."
351
976866
1666
ou sur la théorie des cordes. »
16:30
It's totallytotalement in the infancypetite enfance.
352
978556
1931
C'est à un stade de balbutiement.
16:32
The reasonraison I want to emphasizesouligner this,
353
980511
2127
La raison qui me pousse à souligner cela,
16:34
I see the concernspréoccupations,
and I want to acknowledgereconnaître them.
354
982662
3838
c'est que je vois les craintes,
et je veux les reconnaître.
16:38
But if I were to think about one thing,
355
986524
2886
Si je devais penser à une chose,
16:41
I would askdemander myselfmoi même the questionquestion,
"What if we can take anything repetitiverépétitif
356
989434
5563
je me poserais la question « Et si
je pouvais prendre une tâche répétitive
16:47
and make ourselvesnous-mêmes
100 timesfois as efficientefficace?"
357
995021
3473
et nous rendre 100 fois plus efficaces ? »
16:51
It so turnsse tourne out, 300 yearsannées agodepuis,
we all workedtravaillé in agricultureagriculture
358
999170
4249
Il s'avère qu'il y a 300 ans,
on était tous agriculteurs,
16:55
and did farmingagriculture and did repetitiverépétitif things.
359
1003443
2051
cultivait et faisait
des tâches répétitives.
16:57
TodayAujourd'hui, 75 percentpour cent of us work in officesdes bureaux
360
1005518
2556
Aujourd'hui, 75% des personnes
travaillent au bureau
17:00
and do repetitiverépétitif things.
361
1008098
2124
à des tâches répétitives.
17:02
We'veNous avons becomedevenir spreadsheettableur monkeyssinges.
362
1010246
2183
Nous sommes devenus
des singes de tableurs.
17:04
And not just low-endbas de gamme laborla main d'oeuvre.
363
1012453
2054
Et pas seulement le travail bas de gamme.
17:06
We'veNous avons becomedevenir dermatologistsdermatologues
doing repetitiverépétitif things,
364
1014531
2754
Les dermatologues font
des tâches répétitives,
les avocats font
des tâches répétitives.
17:09
lawyersavocats doing repetitiverépétitif things.
365
1017309
1749
17:11
I think we are at the brinkbord
of beingétant ablecapable to take an AIAI,
366
1019082
3823
Je pense que nous sommes à un point où
l'IA va pouvoir nous aider,
17:14
look over our shouldersépaules,
367
1022929
1718
regarder par-dessus notre épaule,
17:16
and they make us maybe 10 or 50 timesfois
as effectiveefficace in these repetitiverépétitif things.
368
1024671
4058
et nous rendre 10 ou 50 fois plus
efficaces pour ces tâches répétitives.
17:20
That's what is on my mindesprit.
369
1028753
1275
C'est ce que je pense.
17:22
CACA: That soundsdes sons supersuper excitingpassionnant.
370
1030052
2450
CA : Cela semble très excitant.
17:24
The processprocessus of gettingobtenir there seemssemble
a little terrifyingterrifiant to some people,
371
1032526
3530
Le processus pour s'y rendre semble
un peu terrifiant pour certains,
17:28
because onceune fois que a computerordinateur
can do this repetitiverépétitif thing
372
1036080
3180
car une fois qu'un ordinateur
peut faire des choses répétitives
17:31
much better than the dermatologistdermatologue
373
1039284
3434
mieux qu'un dermatologue
17:34
or than the driverchauffeur, especiallynotamment,
is the thing that's talkeda parlé about
374
1042742
3230
ou qu'un chauffeur, par exemple,
puisqu'on en parle beaucoup
17:37
so much now,
375
1045996
1290
en ce moment,
soudain des millions
d'emplois disparaissent,
17:39
suddenlysoudainement millionsdes millions of jobsemplois go,
376
1047310
1958
17:41
and, you know, the country'sde pays in revolutionrévolution
377
1049292
2695
et le pays est en révolution
17:44
before we ever get to the more
gloriousglorieux aspectsaspects of what's possiblepossible.
378
1052011
4329
avant que nous n'atteignions l'aspect
glorieux de ce qui est possible.
17:48
STST: Yeah, and that's an issueproblème,
and it's a biggros issueproblème,
379
1056364
2517
ST : Oui, et c'est un problème,
un problème important
17:50
and it was pointedpointu out yesterdayhier morningMatin
by severalnombreuses guestCommentaires speakershaut-parleurs.
380
1058905
4196
et il a été pointé hier matin
par plusieurs orateurs.
17:55
Now, prioravant to me showingmontrer up onstagesur scène,
381
1063125
2754
Avant de monter sur scène,
17:57
I confesseda avoué I'm a positivepositif,
optimisticoptimiste personla personne,
382
1065903
3739
je confesse être positif et optimiste,
18:01
so let me give you an optimisticoptimiste pitchpas,
383
1069666
2389
donc laissez-moi vous porter
un discours optimiste,
18:04
whichlequel is, think of yourselftoi même
back 300 yearsannées agodepuis.
384
1072079
4795
qui est... Replongez-vous
300 ans en arrière.
18:08
EuropeL’Europe just survivedsurvécu 140 yearsannées
of continuouscontinu warguerre,
385
1076898
3996
L'Europe vient juste de survivre
à 140 ans de guerre ininterrompue,
18:12
noneaucun of you could readlis or writeécrire,
386
1080918
1711
personne ne sait lire ou écrire,
18:14
there were no jobsemplois that you holdtenir todayaujourd'hui,
387
1082653
2945
les emplois que vous avez
n'existent même pas,
18:17
like investmentinvestissement bankerbanquier
or softwareLogiciel engineeringénieur or TVTV anchorancre.
388
1085622
4096
tel que banquier en investissement,
ingénieur logiciel ou présentateur TV.
18:21
We would all be in the fieldsdes champs and farmingagriculture.
389
1089742
2414
Nous serions tous aux champs à cultiver.
18:24
Now here comesvient little SebastianSebastian
with a little steamvapeur enginemoteur in his pocketpoche,
390
1092180
3573
Voilà le petit Sebastian avec une petite
machine à vapeur dans la poche,
disant : « Hé les gars, regardez ça.
18:27
sayingen disant, "Hey guys, look at this.
391
1095777
1548
18:29
It's going to make you 100 timesfois
as strongfort, so you can do something elseautre."
392
1097349
3595
Cela va vous rendre 100 fois plus forts,
et vous libérer du temps. »
Dans ces temps-là,
il n'y avait pas de podium,
18:32
And then back in the day,
there was no realréal stageétape,
393
1100968
2470
18:35
but ChrisChris and I hangpendre out
with the cowsvaches in the stablestable,
394
1103462
2526
mais Chris et moi sommes
dans l'étable avec les vaches,
18:38
and he saysdit, "I'm really
concernedconcerné about it,
395
1106012
2100
et il dit : « Je suis inquiet :
je trais ma vache tous les jours,
et si la machine le fait pour moi ? »
18:40
because I milkLait my cowvache everychaque day,
and what if the machinemachine does this for me?"
396
1108136
3652
La raison pour laquelle
je le mentionne est...
18:43
The reasonraison why I mentionmention this is,
397
1111812
1702
18:46
we're always good in acknowledgingreconnaissant
pastpassé progressle progrès and the benefitavantage of it,
398
1114360
3603
Nous voyons facilement le progrès
passé et ses bénéfices,
18:49
like our iPhonesiPhones or our planesAvions
or electricityélectricité or medicalmédical supplyla fourniture.
399
1117987
3354
comme les iPhone, les avions,
l'électricité ou les médicaments.
18:53
We all love to livevivre to 80,
whichlequel was impossibleimpossible 300 yearsannées agodepuis.
400
1121365
4245
Nous allons tous vivre jusque 80 ans
ce qui était impossible il y a 300 ans.
18:57
But we kindgentil of don't applyappliquer
the sameMême rulesrègles to the futureavenir.
401
1125634
4156
Mais on n'applique pas
les mêmes règles pour le futur.
19:02
So if I look at my ownposséder jobemploi as a CEOPRÉSIDENT-DIRECTEUR GÉNÉRAL,
402
1130621
3207
Si je regarde à mon propre
travail en tant que PDG,
19:05
I would say 90 percentpour cent
of my work is repetitiverépétitif,
403
1133852
3140
je dirais que 90% de
mon travail est répétitif,
je n'y prends pas de plaisir,
19:09
I don't enjoyprendre plaisir it,
404
1137016
1351
19:10
I spenddépenser about fourquatre hoursheures perpar day
on stupidstupide, repetitiverépétitif emailemail.
405
1138391
3978
je passe près de 4 heures par jour
sur des courriels répétitifs stupides.
19:14
And I'm burningbrûlant to have something
that helpsaide me get riddébarrasser of this.
406
1142393
3641
J'ai hâte d'avoir quelque chose
qui m'aide à me débarrasser de ces tâches.
19:18
Why?
407
1146058
1158
Pourquoi ?
19:19
Because I believe all of us
are insanelyfollement creativeCréatif;
408
1147240
3003
Parce que je crois que
nous sommes follement créatifs,
19:22
I think the TEDTED communitycommunauté
more than anybodyn'importe qui elseautre.
409
1150731
3194
la communauté TED
plus que n'importe quelle autre.
19:25
But even blue-collarcol bleu workersouvriers;
I think you can go to your hotelun hôtel maidfemme de ménage
410
1153949
3559
Mais aussi les cols bleus : vous pouvez
aller voir votre femme de chambre
19:29
and have a drinkboisson with him or her,
411
1157532
2402
et boire un verre avec elle,
19:31
and an hourheure laterplus tard,
you find a creativeCréatif ideaidée.
412
1159958
2717
et une heure après,
vous trouverez une idée créative.
19:34
What this will empowerhabiliter
is to turntour this creativityla créativité into actionaction.
413
1162699
4140
Ce que cela va permettre est de
transformer cette créativité en action.
19:39
Like, what if you could
buildconstruire GoogleGoogle in a day?
414
1167265
3442
Comme par exemple, si on pouvait
construire Google en un jour ?
Si on pouvait, assis autour d'une bière,
inventer le prochain Snapchat,
19:43
What if you could sitasseoir over beerBière
and inventinventer the nextprochain SnapchatSnapchat,
415
1171221
3316
19:46
whateverpeu importe it is,
416
1174561
1165
quoi que que ce soit,
19:47
and tomorrowdemain morningMatin it's up and runningfonctionnement?
417
1175750
2187
et que cela marche demain matin ?
19:49
And that is not sciencescience fictionfiction.
418
1177961
1773
Ce n'est pas de la science-fiction.
Ce qui va se passer est que
19:51
What's going to happense produire is,
419
1179758
1254
19:53
we are alreadydéjà in historyhistoire.
420
1181036
1867
nous sommes déjà dans l'histoire.
19:54
We'veNous avons unleashedUnleashed this amazingincroyable creativityla créativité
421
1182927
3228
On a libéré cette étonnante créativité
en se libérant de l'agriculture
19:58
by de-slaving-asservissement us from farmingagriculture
422
1186179
1611
19:59
and laterplus tard, of coursecours, from factoryusine work
423
1187814
3363
et plus tard, du travail en usine,
20:03
and have inventeda inventé so manybeaucoup things.
424
1191201
3162
et on a inventé tant de choses.
20:06
It's going to be even better,
in my opinionopinion.
425
1194387
2178
Cela va être encore mieux, selon moi.
20:08
And there's going to be
great sidecôté effectseffets.
426
1196589
2072
Il va y avoir
de grands effets secondaires.
20:10
One of the sidecôté effectseffets will be
427
1198685
1489
Un des effets de bord sera que
20:12
that things like foodaliments and medicalmédical supplyla fourniture
and educationéducation and shelterabri
428
1200198
4795
les choses comme la nourriture,
les médicaments, l'éducation, le logement
20:17
and transportationtransport
429
1205017
1177
et le transport
20:18
will all becomedevenir much more
affordableabordable to all of us,
430
1206218
2441
seront plus abordables pour nous tous,
pas seulement les gens riches.
20:20
not just the richriches people.
431
1208683
1322
20:22
CACA: HmmHmm.
432
1210029
1182
CA : Hum.
20:23
So when MartinMartin FordFord arguedargumenté, you know,
that this time it's differentdifférent
433
1211235
4341
Donc quand Martin Ford argumente que
cette fois c'est différent
20:27
because the intelligenceintelligence
that we'venous avons used in the pastpassé
434
1215600
3453
car l'intelligence employée dans le passé
20:31
to find newNouveau waysfaçons to be
435
1219077
2483
pour trouver de nouvelles façons d'être
20:33
will be matchedapparié at the sameMême pacerythme
436
1221584
2279
sera égalée au même rythme
20:35
by computersdes ordinateurs takingprise over those things,
437
1223887
2291
que les ordinateurs
qui prennent en charge cela,
20:38
what I hearentendre you sayingen disant
is that, not completelycomplètement,
438
1226202
3078
vous dites, vous, non, pas complétement
20:41
because of humanHumain creativityla créativité.
439
1229304
2951
en raison de la créativité des humains.
20:44
Do you think that that's fundamentallyfondamentalement
differentdifférent from the kindgentil of creativityla créativité
440
1232279
3785
Pensez-vous que c'est fondamentalement
différent de la créativité
20:48
that computersdes ordinateurs can do?
441
1236088
2696
que les ordinateurs peuvent avoir ?
20:50
STST: So, that's my firmraffermir
beliefcroyance as an AIAI personla personne --
442
1238808
4434
ST : C'est ce que je crois vraiment
en tant qu'expert de l'IA --
20:55
that I haven'tn'a pas seenvu
any realréal progressle progrès on creativityla créativité
443
1243266
3803
je n'ai pas réellement vu
de progrès en créativité
20:59
and out-of-the-boxout-of-the-box thinkingen pensant.
444
1247949
1407
ou en pensée créative.
Ce que je vois maintenant, et c'est
important pour les gens de le réaliser,
21:01
What I see right now -- and this is
really importantimportant for people to realizeprendre conscience de,
445
1249380
3623
car ce terme « intelligence
artificielle » est alarmant
21:05
because the wordmot "artificialartificiel
intelligenceintelligence" is so threateningen danger,
446
1253027
2903
et soudain Steven Spielberg
nous jette dans un film,
21:07
and then we have SteveSteve SpielbergSpielberg
tossinglancer a moviefilm in,
447
1255954
2523
où tout à coup l'ordinateur
domine l'humanité,
21:10
where all of a suddensoudain
the computerordinateur is our overlordOverlord,
448
1258501
2413
mais c'est juste de la technologie.
21:12
but it's really a technologyLa technologie.
449
1260938
1452
C'est une technologie qui nous aide
à faire des tâches répétitives.
21:14
It's a technologyLa technologie that helpsaide us
do repetitiverépétitif things.
450
1262414
2982
Et les progrès ont été faits sur
ces tâches répétitives.
21:17
And the progressle progrès has been
entirelyentièrement on the repetitiverépétitif endfin.
451
1265420
2913
21:20
It's been in legallégal documentdocument discoveryDécouverte.
452
1268357
2228
Dans la découverte des documents légaux.
21:22
It's been contractContrat draftingrédaction.
453
1270609
1680
Dans l'élaboration de contrats.
21:24
It's been screeningdépistage X-raysRayons x of your chestpoitrine.
454
1272313
4223
Dans l'interprétation
de radios des poumons.
21:28
And these things are so specializedspécialisé,
455
1276560
1773
Ces choses sont si spécialisées,
que je ne vois pas la grande
menace pour l'humanité.
21:30
I don't see the biggros threatmenace of humanityhumanité.
456
1278357
2391
21:32
In factfait, we as people --
457
1280772
1794
En fait, nous en tant qu'humains,
21:34
I mean, let's facevisage it:
we'venous avons becomedevenir superhumansurhumaine.
458
1282590
2385
avouons-le, nous devenons super-humains.
21:36
We'veNous avons madefabriqué us superhumansurhumaine.
459
1284999
1764
Nous sommes devenus super-humains.
21:38
We can swimnager acrossà travers
the AtlanticAtlantique in 11 hoursheures.
460
1286787
2632
Nous pouvons traverser l'Atlantique
à la nage en 11 heures.
21:41
We can take a devicedispositif out of our pocketpoche
461
1289443
2074
Nous pouvons sortir un équipement
de notre poche
21:43
and shoutShout all the way to AustraliaAustralie,
462
1291541
2147
et crier jusqu'en en Australie,
21:45
and in realréal time, have that personla personne
shoutingen criant back to us.
463
1293712
2600
et en temps réel,
la personne peut nous répondre.
21:48
That's physicallyphysiquement not possiblepossible.
We're breakingrupture the rulesrègles of physicsla physique.
464
1296336
3624
C'est physiquement impossible.
Nous brisons les règles de la physique.
21:51
When this is said and doneterminé,
we're going to rememberrappelles toi everything
465
1299984
2943
Quand cela sera dit et fait,
nous nous rappellerons de tout
21:54
we'venous avons ever said and seenvu,
466
1302951
1213
ce qui a été dit et fait,
21:56
you'lltu vas rememberrappelles toi everychaque personla personne,
467
1304188
1496
nous nous souviendrons de tous,
21:57
whichlequel is good for me
in my earlyde bonne heure stagesétapes of Alzheimer'sAlzheimer.
468
1305708
2626
ce qui est une bonne chose
avec mes débuts d'Alzheimer.
22:00
Sorry, what was I sayingen disant? I forgotoublié.
469
1308358
1677
Désolé, je disais ? J'ai oublié.
22:02
CACA: (LaughsRires)
470
1310059
1578
CA : (Rires)
22:03
STST: We will probablyProbablement have
an IQIQ of 1,000 or more.
471
1311661
3077
ST : Nous allons probablement
avoir un QI de 1 000 et plus.
22:06
There will be no more
spellingorthographe classesclasses for our kidsdes gamins,
472
1314762
3425
Il n'y aura plus de cours
d'orthographe pour nos enfants,
car il n'y aura plus de problèmes
d'orthographe.
22:10
because there's no spellingorthographe issueproblème anymoreplus.
473
1318211
2086
22:12
There's no mathmath issueproblème anymoreplus.
474
1320321
1832
Plus de problèmes de maths.
22:14
And I think what really will happense produire
is that we can be supersuper creativeCréatif.
475
1322177
3510
Je pense que ce qui va se passer est
que l'on va devenir super créatifs.
22:17
And we are. We are creativeCréatif.
476
1325711
1857
On l'est. On est super créatifs.
22:19
That's our secretsecret weaponarme.
477
1327592
1552
C'est notre arme secrète.
22:21
CACA: So the jobsemplois that are gettingobtenir lostperdu,
478
1329168
2153
CA : Donc les emplois perdus,
22:23
in a way, even thoughbien que
it's going to be painfuldouloureux,
479
1331345
2494
dans un sens, même si cela est douloureux,
les humains sont capables
de plus que ces emplois.
22:25
humanshumains are capablecapable
of more than those jobsemplois.
480
1333863
2047
22:27
This is the dreamrêver.
481
1335934
1218
C'est le rêve.
22:29
The dreamrêver is that humanshumains can riseaugmenter
to just a newNouveau levelniveau of empowermentautonomisation
482
1337176
4247
Le rêve est que les humains puissent
s'élever à un nouveau niveau d'autonomie
22:33
and discoveryDécouverte.
483
1341447
1657
et de découverte.
22:35
That's the dreamrêver.
484
1343128
1452
C'est le rêve.
ST: Pensez à cela :
22:36
STST: And think about this:
485
1344604
1643
22:38
if you look at the historyhistoire of humanityhumanité,
486
1346271
2021
si on regarde l'histoire de l'humanité,
22:40
that mightpourrait be whateverpeu importe --
60-100,000 yearsannées oldvieux, give or take --
487
1348316
3328
qui peut avoir,
à peu près, 60-100 000 ans,
22:43
almostpresque everything that you cherishchérir
in termstermes of inventioninvention,
488
1351668
3726
presque tout ce que l'on peut
chérir comme inventions,
22:47
of technologyLa technologie, of things we'venous avons builtconstruit,
489
1355418
2151
comme technologies, ces choses
qu'on a créées,
22:49
has been inventeda inventé in the last 150 yearsannées.
490
1357593
3099
l'ont été dans les 150 dernières années.
22:53
If you tosslancer in the booklivre and the wheelroue,
it's a little bitbit olderplus âgée.
491
1361756
3048
Si on exclut le livre et la roue,
qui sont un peu plus anciens.
22:56
Or the axehache.
492
1364828
1169
Ou la hache.
22:58
But your phonetéléphone, your sneakersbaskets,
493
1366021
2790
Mais le téléphone, les baskets,
23:00
these chairschaises, modernmoderne
manufacturingfabrication, penicillinpénicilline --
494
1368835
3551
ces chaises, la fabrication
moderne, la pénicilline --
23:04
the things we cherishchérir.
495
1372410
1714
tout ce que l'on chérit.
23:06
Now, that to me meansveux dire
496
1374148
3658
Pour moi, cela signifie que
nous découvrirons de nouvelles choses
dans les 150 prochaines années
23:09
the nextprochain 150 yearsannées will find more things.
497
1377830
3041
23:12
In factfait, the pacerythme of inventioninvention
has gonedisparu up, not gonedisparu down, in my opinionopinion.
498
1380895
4154
En fait, le rythme des inventions a
augmenté et non diminué, selon moi.
23:17
I believe only one percentpour cent of interestingintéressant
things have been inventeda inventé yetencore. Right?
499
1385073
4905
Je crois que seulement 1% des choses
intéressantes ont déjà été inventées.
23:22
We haven'tn'a pas curedguéri cancercancer.
500
1390002
1988
On n'a pas soigné le cancer.
Nous n'avons pas de voitures volantes, pas
encore. J'espère que je vais changer ça.
23:24
We don't have flyingen volant carsdes voitures -- yetencore.
HopefullySi tout va bien, I'll changechangement this.
501
1392014
3718
23:27
That used to be an exampleExemple
people laughedri about. (LaughsRires)
502
1395756
3257
C'était un exemple où les gens riaient.
(Rires).
C'est drôle, non ? Travailler
secrètement sur les voitures volantes.
23:31
It's funnydrôle, isn't it?
WorkingTravaillant secretlysecrètement on flyingen volant carsdes voitures.
503
1399037
2992
23:34
We don't livevivre twicedeux fois as long yetencore. OK?
504
1402053
2683
On ne vit pas encore deux fois
plus longtemps.
23:36
We don't have this magicla magie
implantl’implant in our braincerveau
505
1404760
2785
Nous n'avons pas cet implant
magique dans le cerveau qui
nous fournit l'information voulue.
23:39
that givesdonne us the informationinformation we want.
506
1407569
1832
Vous pourriez être consternés,
23:41
And you mightpourrait be appalledconsterné by it,
507
1409425
1526
mais je vous promets, vous l'aimerez
quand vous l'aurez !
23:42
but I promisepromettre you,
onceune fois que you have it, you'lltu vas love it.
508
1410975
2444
23:45
I hopeespérer you will.
509
1413443
1166
J'espère.
23:46
It's a bitbit scaryeffrayant, I know.
510
1414633
1909
C'est un peu effrayant, je sais.
Il reste tant de choses à inventer
23:48
There are so manybeaucoup things
we haven'tn'a pas inventeda inventé yetencore
511
1416566
2254
et que l'on inventera.
23:50
that I think we'llbien inventinventer.
512
1418844
1268
On n'a pas de bouclier de gravité.
23:52
We have no gravityla gravité shieldsboucliers.
513
1420136
1306
On ne peut pas se téléporter.
23:53
We can't beamfaisceau ourselvesnous-mêmes
from one locationemplacement to anotherun autre.
514
1421466
2553
Ça a l'air ridicule,
23:56
That soundsdes sons ridiculousridicule,
515
1424043
1151
mais il y a environ 200 ans,
23:57
but about 200 yearsannées agodepuis,
516
1425218
1288
23:58
expertsexperts were of the opinionopinion
that flightvol wouldn'tne serait pas existexister,
517
1426530
2667
des experts pensaient
qu'on ne pourrait pas voler,
24:01
even 120 yearsannées agodepuis,
518
1429221
1324
même il y a 120 ans,
24:02
and if you moveddéplacé fasterPlus vite
than you could runcourir,
519
1430569
2582
et que si on allait plus vite
que la vitesse de course,
24:05
you would instantlyimmédiatement diemourir.
520
1433175
1520
on mourrait instantanément.
24:06
So who saysdit we are correctcorrect todayaujourd'hui
that you can't beamfaisceau a personla personne
521
1434719
3569
Qui pourrait dire aujourd'hui
qu'on ne peut pas téléporter une personne
24:10
from here to MarsMars?
522
1438312
2249
d'ici sur Mars ?
24:12
CACA: SebastianSebastian, thank you so much
523
1440585
1569
CA : Sebastian, merci beaucoup
24:14
for your incrediblyincroyablement inspiringinspirant visionvision
and your brillianceéclat.
524
1442178
2682
pour votre incroyable vision inspirante
et votre génie.
24:16
Thank you, SebastianSebastian ThrunThrun.
525
1444884
1323
Merci. Sebastian Thrun.
24:18
STST: That was fantasticfantastique. (ApplauseApplaudissements)
526
1446231
1895
C'était fantastique. (Applaudissements)
Translated by Bruno Hauzaree
Reviewed by Yves DAUMAS

▲Back to top

ABOUT THE SPEAKERS
Sebastian Thrun - Educator, entrepreneur
Sebastian Thrun is a passionate technologist who is constantly looking for new opportunities to make the world better for all of us.

Why you should listen

Sebastian Thrun is an educator, entrepreneur and troublemaker. After a long life as a professor at Stanford University, Thrun resigned from tenure to join Google. At Google, he founded Google X, home to self-driving cars and many other moonshot technologies. Thrun also founded Udacity, an online university with worldwide reach, and Kitty Hawk, a "flying car" company. He has authored 11 books, 400 papers, holds 3 doctorates and has won numerous awards.

More profile about the speaker
Sebastian Thrun | Speaker | TED.com
Chris Anderson - TED Curator
After a long career in journalism and publishing, Chris Anderson became the curator of the TED Conference in 2002 and has developed it as a platform for identifying and disseminating ideas worth spreading.

Why you should listen

Chris Anderson is the Curator of TED, a nonprofit devoted to sharing valuable ideas, primarily through the medium of 'TED Talks' -- short talks that are offered free online to a global audience.

Chris was born in a remote village in Pakistan in 1957. He spent his early years in India, Pakistan and Afghanistan, where his parents worked as medical missionaries, and he attended an American school in the Himalayas for his early education. After boarding school in Bath, England, he went on to Oxford University, graduating in 1978 with a degree in philosophy, politics and economics.

Chris then trained as a journalist, working in newspapers and radio, including two years producing a world news service in the Seychelles Islands.

Back in the UK in 1984, Chris was captivated by the personal computer revolution and became an editor at one of the UK's early computer magazines. A year later he founded Future Publishing with a $25,000 bank loan. The new company initially focused on specialist computer publications but eventually expanded into other areas such as cycling, music, video games, technology and design, doubling in size every year for seven years. In 1994, Chris moved to the United States where he built Imagine Media, publisher of Business 2.0 magazine and creator of the popular video game users website IGN. Chris eventually merged Imagine and Future, taking the combined entity public in London in 1999, under the Future name. At its peak, it published 150 magazines and websites and employed 2,000 people.

This success allowed Chris to create a private nonprofit organization, the Sapling Foundation, with the hope of finding new ways to tackle tough global issues through media, technology, entrepreneurship and, most of all, ideas. In 2001, the foundation acquired the TED Conference, then an annual meeting of luminaries in the fields of Technology, Entertainment and Design held in Monterey, California, and Chris left Future to work full time on TED.

He expanded the conference's remit to cover all topics, including science, business and key global issues, while adding a Fellows program, which now has some 300 alumni, and the TED Prize, which grants its recipients "one wish to change the world." The TED stage has become a place for thinkers and doers from all fields to share their ideas and their work, capturing imaginations, sparking conversation and encouraging discovery along the way.

In 2006, TED experimented with posting some of its talks on the Internet. Their viral success encouraged Chris to begin positioning the organization as a global media initiative devoted to 'ideas worth spreading,' part of a new era of information dissemination using the power of online video. In June 2015, the organization posted its 2,000th talk online. The talks are free to view, and they have been translated into more than 100 languages with the help of volunteers from around the world. Viewership has grown to approximately one billion views per year.

Continuing a strategy of 'radical openness,' in 2009 Chris introduced the TEDx initiative, allowing free licenses to local organizers who wished to organize their own TED-like events. More than 8,000 such events have been held, generating an archive of 60,000 TEDx talks. And three years later, the TED-Ed program was launched, offering free educational videos and tools to students and teachers.

More profile about the speaker
Chris Anderson | Speaker | TED.com

Data provided by TED.

This site was created in May 2015 and the last update was on January 12, 2020. It will no longer be updated.

We are currently creating a new site called "eng.lish.video" and would be grateful if you could access it.

If you have any questions or suggestions, please feel free to write comments in your language on the contact form.

Privacy Policy

Developer's Blog

Buy Me A Coffee